FastICA#
- class sklearn.decomposition.FastICA(n_components=None, *, algorithm='parallel', whiten='unit-variance', fun='logcosh', fun_args=None, max_iter=200, tol=0.0001, w_init=None, whiten_solver='svd', random_state=None)[source]#
FastICA：用于独立成分分析的快速算法。
此实现基于 [1]。
在用户指南中阅读更多内容。
- 参数:
- n_componentsint, default=None
要使用的组件数量。如果传入 None，则使用所有组件。
- algorithm{‘parallel’, ‘deflation’}, default=’parallel’
指定用于 FastICA 的算法。
- whitenstr or bool, default=’unit-variance’
指定要使用的白化策略。
如果为 ‘arbitrary-variance’，则使用方差任意的白化。
如果为 ‘unit-variance’，则对白化矩阵进行重新缩放，以确保每个恢复的源具有单位方差。
如果为 False，则数据已被视为已白化，不执行白化。
版本 1.3 中的变化:
whiten的默认值在 1.3 中更改为 ‘unit-variance’。- fun{‘logcosh’, ‘exp’, ‘cube’} or callable, default=’logcosh’
用于近似负熵的 G 函数的函数形式。可以是 ‘logcosh’、‘exp’ 或 ‘cube’。您也可以提供自己的函数。它应该返回一个包含函数值及其导数（在该点）的元组。导数应沿其最后一个维度取平均值。示例
def my_g(x): return x ** 3, (3 * x ** 2).mean(axis=-1)
- fun_argsdict, default=None
要发送给函数形式的参数。如果为空或 None，且 fun=’logcosh’，则 fun_args 将取值 {‘alpha’ : 1.0}。
- max_iter整型, 默认为 200
拟合期间的最大迭代次数。
- tolfloat, default=1e-4
一个正标量，表示解混矩阵被认为收敛的容差。
- w_initarray-like of shape (n_components, n_components), default=None
初始解混数组。如果
w_init=None，则使用从正态分布中抽取的值数组。- whiten_solver{“eigh”, “svd”}, default=”svd”
用于白化的求解器。
如果问题退化，"svd"在数值上更稳定，并且当
n_samples <= n_features时通常更快。当
n_samples >= n_features时，"eigh"通常更节省内存，并且当n_samples >= 50 * n_features时可能更快。
1.2 版本新增。
- random_stateint, RandomState instance or None, default=None
用于在未指定时使用正态分布初始化
w_init。传入一个 int，以便在多次函数调用中获得可重现的结果。参见 词汇表。
- 属性:
- components_ndarray of shape (n_components, n_features)
用于将数据转换为独立源的线性运算符。当
whiten为 False 时，这等于解混矩阵；当whiten为 True 时，这等于np.dot(unmixing_matrix, self.whitening_)。- mixing_ndarray of shape (n_features, n_components)
components_的伪逆。它是将独立源映射到数据的线性运算符。- mean_ndarray of shape(n_features,)
特征的平均值。仅当
self.whiten为 True 时设置。- n_features_in_int
在 拟合 期间看到的特征数。
0.24 版本新增。
- feature_names_in_shape 为 (
n_features_in_,) 的 ndarray 在 fit 期间看到的特征名称。仅当
X具有全部为字符串的特征名称时才定义。1.0 版本新增。
- n_iter_int
如果算法是 “deflation”，n_iter 是所有组件运行的最大迭代次数。否则，它们只是收敛所需的迭代次数。
- whitening_ndarray of shape (n_components, n_features)
仅当 whiten 为 ‘True’ 时设置。这是将数据投影到前
n_components个主成分上的预白化矩阵。
另请参阅
PCA主成分分析 (PCA)。
IncrementalPCA增量主成分分析 (IPCA)。
KernelPCA核主成分分析 (KPCA)。
MiniBatchSparsePCAMini-batch 稀疏主成分分析。
SparsePCA稀疏主成分分析 (SparsePCA)。
References
[1]A. Hyvarinen and E. Oja, Independent Component Analysis: Algorithms and Applications, Neural Networks, 13(4-5), 2000, pp. 411-430。
示例
>>> from sklearn.datasets import load_digits >>> from sklearn.decomposition import FastICA >>> X, _ = load_digits(return_X_y=True) >>> transformer = FastICA(n_components=7, ... random_state=0, ... whiten='unit-variance') >>> X_transformed = transformer.fit_transform(X) >>> X_transformed.shape (1797, 7)
- fit(X, y=None)[source]#
将模型拟合到 X。
- 参数:
- Xshape 为 (n_samples, n_features) 的 array-like
训练数据，其中
n_samples是样本数，n_features是特征数。- y被忽略
未使用，按照惯例为保持 API 一致性而存在。
- 返回:
- selfobject
返回实例本身。
- fit_transform(X, y=None)[source]#
拟合模型并从 X 中恢复源。
- 参数:
- Xshape 为 (n_samples, n_features) 的 array-like
训练数据，其中
n_samples是样本数，n_features是特征数。- y被忽略
未使用，按照惯例为保持 API 一致性而存在。
- 返回:
- X_newndarray of shape (n_samples, n_components)
通过使用估计的解混矩阵转换数据获得的估计源。
- get_feature_names_out(input_features=None)[source]#
获取转换的输出特征名称。
The feature names out will prefixed by the lowercased class name. For example, if the transformer outputs 3 features, then the feature names out are:
["class_name0", "class_name1", "class_name2"].- 参数:
- input_featuresarray-like of str or None, default=None
Only used to validate feature names with the names seen in
fit.
- 返回:
- feature_names_outstr 对象的 ndarray
转换后的特征名称。
- get_metadata_routing()[source]#
获取此对象的元数据路由。
请查阅 用户指南，了解路由机制如何工作。
- 返回:
- routingMetadataRequest
封装路由信息的
MetadataRequest。
- get_params(deep=True)[source]#
获取此估计器的参数。
- 参数:
- deepbool, default=True
如果为 True，将返回此估计器以及包含的子对象（如果它们是估计器）的参数。
- 返回:
- paramsdict
参数名称映射到其值。
- inverse_transform(X, copy=True)[source]#
将源转换回混合数据（应用混合矩阵）。
- 参数:
- Xarray-like of shape (n_samples, n_components)
源，其中
n_samples是样本数，n_components是组件数。- copy布尔值, 默认为 True
如果为 False，则传递给 fit 的数据将被覆盖。默认为 True。
- 返回:
- X_original形状为 (n_samples, n_features) 的 ndarray
使用混合矩阵重建的数据。
- set_inverse_transform_request(*, copy: bool | None | str = '$UNCHANGED$') FastICA[source]#
配置是否应请求将元数据传递给
inverse_transform方法。请注意，此方法仅在以下情况下相关：此估计器用作 元估计器 中的子估计器，并且通过
enable_metadata_routing=True启用了元数据路由（请参阅sklearn.set_config）。请查看 用户指南 以了解路由机制的工作原理。每个参数的选项如下：
True: 请求元数据，如果提供，则将其传递给inverse_transform。如果未提供元数据，则忽略该请求。False: 不请求元数据，元估计器不会将其传递给inverse_transform。None：不请求元数据，如果用户提供元数据，元估计器将引发错误。str：应将元数据以给定别名而不是原始名称传递给元估计器。
默认值 (
sklearn.utils.metadata_routing.UNCHANGED) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。在版本 1.3 中新增。
- 参数:
- copystr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED
用于
inverse_transform中copy参数的元数据路由。
- 返回:
- selfobject
更新后的对象。
- set_output(*, transform=None)[source]#
设置输出容器。
有关如何使用 API 的示例，请参阅引入 set_output API。
- 参数:
- transform{“default”, “pandas”, “polars”}, default=None
配置
transform和fit_transform的输出。"default": 转换器的默认输出格式"pandas": DataFrame 输出"polars": Polars 输出None: 转换配置保持不变
1.4 版本新增: 添加了
"polars"选项。
- 返回:
- selfestimator instance
估计器实例。
- set_params(**params)[source]#
设置此估计器的参数。
此方法适用于简单的估计器以及嵌套对象（如
Pipeline）。后者具有<component>__<parameter>形式的参数，以便可以更新嵌套对象的每个组件。- 参数:
- **paramsdict
估计器参数。
- 返回:
- selfestimator instance
估计器实例。
- set_transform_request(*, copy: bool | None | str = '$UNCHANGED$') FastICA[source]#
配置是否应请求元数据以传递给
transform方法。请注意，此方法仅在以下情况下相关：此估计器用作 元估计器 中的子估计器，并且通过
enable_metadata_routing=True启用了元数据路由（请参阅sklearn.set_config）。请查看 用户指南 以了解路由机制的工作原理。每个参数的选项如下：
True：请求元数据，如果提供则传递给transform。如果未提供元数据，则忽略该请求。False：不请求元数据，并且元估计器不会将其传递给transform。None：不请求元数据，如果用户提供元数据，元估计器将引发错误。str：应将元数据以给定别名而不是原始名称传递给元估计器。
默认值 (
sklearn.utils.metadata_routing.UNCHANGED) 保留现有请求。这允许您更改某些参数的请求而不更改其他参数。在版本 1.3 中新增。
- 参数:
- copystr, True, False, or None, default=sklearn.utils.metadata_routing.UNCHANGED
transform中copy参数的元数据路由。
- 返回:
- selfobject
更新后的对象。
